کلاسه بندی جز به کل برای تخمین اندازه کرنل ماتی حرکتی با شبکه های عصبی آبشاری

تخمین اندازه کرنل ماتی به طور قابل توجهی بر کیفیت ماتزدایی تصویر تاثیر می گذارد. با این حال ، روش های موجود محدودیت زیادی در دقت تخمین و همچنین سازگاری با اندازه های کرنل بزرگ دارند. در این مقاله ، ما یک روش تخمین اندازه کرنل ماتی جدید با استفاده از CNN ارائه می دهیم. ما ابتدا تخمین اندازه کرنل ۲-D را به یک مسئله کلاسه بندی ۱-D تبدیل می کنیم. سپس یک مدل شبکه آبشاری با استفاده از شبکه های همگن به گونه ای طراحی شده است که کل فضای تخمین را به ۳۸ فاصله کوچک کاهش دهد تا تخمین اندازه کرنل دقیق تر به صورت درشت تا ریز داشته باشد. آزمایش ها نشان می دهد که روش پیشنهادی به کارایی رضایت بخشی از تخمین اندازه کرنل با سازگاری با کرنل های نامشخص مختلف رسیده است.